Unsupervised Clustering Based an Adaptive Particle Swarm Optimization Algorithm

Ali, Yamina Mohamed Ben

doi:10.1007/s11063-015-9477-7

Cited by 13 publications

(3 citation statements)

References 39 publications

Supporting

Mentioning

Contrasting

Unclassified

Order By: Relevance

“…Cui and He [2] proposed an elite reverse learning strategy, flower pollination algorithm, and applied it to solve engineering optimization problems. Ali [3] proposed an adaptive algorithm based on PSO to solve engineering cases. Chen et al [4] proposed an adaptive genetic algorithm in 2018 and applied the algorithm to solve function optimization problems, etc.…”

Section: Introductionmentioning

confidence: 99%

GPS Position Prediction Method Based on Chaotic Map‐Based Flower Pollination Algorithm

Yang

Sun

2021

Complexity

View full text Add to dashboard Cite

GPS position data prediction can effectively alleviate urban traffic, population flow, route planning, etc. It has very important research significance. Using swarm intelligence optimization algorithm to predict geographic location has important research strategies. Flower pollination algorithm (FPA) is a new swarm intelligence optimization algorithm (SIOA) and easy to implement and has other characteristics; more and more scholars have continuously improved it and applied it to more fields. Aiming at the fact that FPA leads to the local optimal value in cross-pollination, the chaotic mapping strategy is proposed to optimize related issues that the population is not rich enough in the self-pollination process. The improved flower pollination algorithm has better advantages in testing function convergence and geographic location prediction effect.

show abstract

Section: Introductionmentioning

confidence: 99%

GPS Position Prediction Method Based on Chaotic Map‐Based Flower Pollination Algorithm

Yang

Sun

2021

Complexity

View full text Add to dashboard Cite

show abstract

“…Çok sayıda veri setini kullandıkları çalışmada PSO ile klasik yöntemlere göre daha iyi sonuç bulduklarını vurgulamışlardır. Ali (2016) çalışmasında kümeleme analizine uygun olarak geliştirdiği adaptif PSO ile parçacıkları iki boyutta tanımlamıştır. İlk boyutta optimum küme sayısı bilgisi bulunurken diğerinde küme merkez bilgileri bulunmaktadır.…”

Section: Introductionunclassified

Kümeleme İçin Değiştirilmiş Dunn İndeksi İle Bir Parçacık Sürü Optimizasyon Yaklaşımı

Pala¹,

Aksaraylı²

2020

Journal of Yaşar University

View full text Add to dashboard Cite

Öz: Kümeleme analizi, gözlem gruplarını ortak özelliklerine göre kümelere bölümlemek olarak tanımlanmaktadır. Sağlık alanında hastalıkların teşhisi, mühendislikte ürün kusur tespiti ve işletmelerde müşteri segmentasyonu kümelemenin gerçek hayatta uygulama alanlarından birkaçıdır. Kümelemede ön bilgi olmadığı takdirde problem sıklıkla sezgisel algoritmalar kullanılarak çözülmektedir. Çalışmada, önerilen yeni bir uygunluk fonksiyonu ile Parçacık Sürü Optimizasyonu kümeleme probleminin çözümünde kullanılmıştır. Önerilen Değiştirilmiş Dunn İndeksi, literatürde yer alan kümeleme uygunluk fonksiyonları ile kümeleme doğruluğu açısından karşılaştırılmıştır. Öte yandan kullanılan Parçacık Sürü Optimizasyonu yöntemi, Genetik Algoritma ve Rassal Arama yöntemleri ile kümeleme analizinde kıyaslanmıştır. Kümeleme analizi alanında kullanılan beş adet veri seti üzerinde analizler gerçekleştirilmiştir. Elde edilen analiz sonuçları ve yapılan istatistiki testler, önerilen DDI uygunluk fonksiyonunun kümeleme doğruluğu açısından başarılı olduğunu göstermektedir.

show abstract

“…Dor et al [11] proposed a dynamic topology DCluster algorithm based on two topologies using a fourcluster approach and a fitness function to solve the underlying problem. Ali [12] presented a new variant of the position updating rule of PSO, in which each particle is treated as a bidimensional vector. Armano et al [13] proposed a multiobjective clustering PSO algorithm with two objective functions defined to integrate data connectivity and cohesion.…”

Section: Introductionmentioning

confidence: 99%

A New Chaotic Starling Particle Swarm Optimization Algorithm for Clustering Problems

Wang

Liu

Sun

et al. 2018

Mathematical Problems in Engineering

View full text Add to dashboard Cite

A new method using collective responses of starling birds is developed to enhance the global search performance of standard particle swarm optimization (PSO). The method is named chaotic starling particle swarm optimization (CSPSO). In CSPSO, the inertia weight is adjusted using a nonlinear decreasing approach and the acceleration coefficients are adjusted using a chaotic logistic mapping strategy to avoid prematurity of the search process. A dynamic disturbance term (DDT) is used in velocity updating to enhance convergence of the algorithm. A local search method inspired by the behavior of starling birds utilizing the information of the nearest neighbors is used to determine a new collective position and a new collective velocity for selected particles. Two particle selection methods, Euclidean distance and fitness function, are adopted to ensure the overall convergence of the search process. Experimental results on benchmark function optimization and classic clustering problems verified the effectiveness of this proposed CSPSO algorithm.

show abstract

Unsupervised Clustering Based an Adaptive Particle Swarm Optimization Algorithm

Cited by 13 publications

References 39 publications

GPS Position Prediction Method Based on Chaotic Map‐Based Flower Pollination Algorithm

GPS Position Prediction Method Based on Chaotic Map‐Based Flower Pollination Algorithm

Kümeleme İçin Değiştirilmiş Dunn İndeksi İle Bir Parçacık Sürü Optimizasyon Yaklaşımı

A New Chaotic Starling Particle Swarm Optimization Algorithm for Clustering Problems

Contact Info

Product

Resources

About